論文の概要: Time-Frequency Analysis based Blind Modulation Classification for
Multiple-Antenna Systems
- arxiv url: http://arxiv.org/abs/2004.00378v1
- Date: Wed, 1 Apr 2020 12:27:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 18:17:48.335378
- Title: Time-Frequency Analysis based Blind Modulation Classification for
Multiple-Antenna Systems
- Title（参考訳）: マルチアンテナシステムのブラインド変調分類に基づく時間周波数解析
- Authors: Weiheng Jiang, Xiaogang Wu, Bolin Chen, Wenjiang Feng, Yi Jin
- Abstract要約: ブラインド変調分類は、認知無線ネットワークを実装するための重要なステップである。
マルチインプット・マルチアウトプット(MIMO)技術は、軍事や民間の通信システムで広く使われている。
これらのシナリオでは、従来の可能性ベースのアプローチや特徴ベースのアプローチは適用できない。
- 参考スコア（独自算出の注目度）: 6.011027400738812
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Blind modulation classification is an important step to implement cognitive
radio networks. The multiple-input multiple-output (MIMO) technique is widely
used in military and civil communication systems. Due to the lack of prior
information about channel parameters and the overlapping of signals in the MIMO
systems, the traditional likelihood-based and feature-based approaches cannot
be applied in these scenarios directly. Hence, in this paper, to resolve the
problem of blind modulation classification in MIMO systems, the time-frequency
analysis method based on the windowed short-time Fourier transform is used to
analyse the time-frequency characteristics of time-domain modulated signals.
Then the extracted time-frequency characteristics are converted into RGB
spectrogram images, and the convolutional neural network based on transfer
learning is applied to classify the modulation types according to the RGB
spectrogram images. Finally, a decision fusion module is used to fuse the
classification results of all the receive antennas. Through simulations, we
analyse the classification performance at different signal-to-noise ratios
(SNRs), the results indicate that, for the single-input single-output (SISO)
network, our proposed scheme can achieve 92.37% and 99.12% average
classification accuracy at SNRs of -4 dB and 10 dB, respectively. For the MIMO
network, our scheme achieves 80.42% and 87.92% average classification accuracy
at -4 dB and 10 dB, respectively. This outperforms the existing classification
methods based on baseband signals.
- Abstract（参考訳）: ブラインド変調分類は、認知無線ネットワークを実装するための重要なステップである。
マルチインプット・マルチアウトプット(MIMO)技術は、軍事や民間の通信システムで広く使われている。
チャネルパラメータに関する事前情報やMIMOシステムにおける信号の重複のため、従来の可能性ベースおよび特徴ベースアプローチはこれらのシナリオに直接適用できない。
そこで本稿では,MIMOシステムにおけるブラインド変調分類の問題を解決するため,時間領域変調信号の時間周波数特性を分析するために,窓面ショートタイムフーリエ変換に基づく時間周波数解析手法を用いる。
そして、抽出した時間周波数特性をRGBスペクトログラム画像に変換し、転送学習に基づく畳み込みニューラルネットワークを適用して、RGBスペクトログラム画像に基づいて変調型を分類する。
最後に、決定融合モジュールを使用して、全ての受信アンテナの分類結果を融合する。
シミュレーションにより,snr(signal-to-noise ratio)の異なる分類性能を解析した結果,siso(single-input single-output)ネットワークでは,snrでは92.37%,snrでは99.12%,snrでは4dbと10dbで分類精度が向上した。
MIMOネットワークでは, 平均分類精度は80.42%, 87.92%, 平均分類精度は4dB, 10dBであった。
これは、ベースバンド信号に基づく既存の分類方法よりも優れている。
関連論文リスト
- Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Deep Learning-Based Frequency Offset Estimation [7.143765507026541]
残差ネットワーク(ResNet)を用いて信号の特徴を学習し抽出することで,CFO推定におけるディープラーニングの利用について述べる。
従来のCFO推定法と比較して,提案手法は様々なシナリオにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2023-11-08T13:56:22Z) - Modulation Classification Through Deep Learning Using Resolution
Transformed Spectrograms [3.9511559419116224]
畳み込みニューラルネットワーク(CNN)の近代的アーキテクチャを用いた自動変調分類(AMC)手法を提案する。
我々は、受信したI/Qデータから99.61%の計算負荷削減と8倍の高速変換をもたらす分光器の分解能変換を行う。
この性能は、SqueezeNet、Resnet-50、InceptionResnet-V2、Inception-V3、VGG-16、Densenet-201といった既存のCNNモデルで評価される。
論文 参考訳（メタデータ） (2023-06-06T16:14:15Z) - Decision Forest Based EMG Signal Classification with Low Volume Dataset
Augmented with Random Variance Gaussian Noise [51.76329821186873]
我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。
信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
論文 参考訳（メタデータ） (2022-06-29T23:22:18Z) - Classification of Intra-Pulse Modulation of Radar Signals by Feature
Fusion Based Convolutional Neural Networks [5.199765487172328]
本研究では、パルス内変調型レーダ信号を自動的に認識するディープラーニングに基づく新しい手法を提案する。
提案するFF-CNN技術は,現在の最先端技術よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-05-19T20:18:17Z) - Three-Way Deep Neural Network for Radio Frequency Map Generation and
Source Localization [67.93423427193055]
空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。
本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-23T22:25:10Z) - Open-set Classification of Common Waveforms Using A Deep Feed-forward
Network and Binary Isolation Forest Models [13.078132799573705]
受信信号の分類には深層パーセプトロンアーキテクチャを用いる。
システムは、0dB以上のSNRで98%の精度で、オープンセットモードで正しく分類することができる。
論文 参考訳（メタデータ） (2021-10-01T08:15:26Z) - Time-Frequency Analysis based Deep Interference Classification for
Frequency Hopping System [2.8123846032806035]
干渉分類は、認証された通信システムを保護する上で重要な役割を果たす。
本稿では,周波数ホッピング通信システムにおける干渉分類問題について述べる。
周波数ホッピング系における多重干渉の可能性を考慮すると、線形および双線形変換に基づく複合時間周波数解析法が採用されている。
論文 参考訳（メタデータ） (2021-07-21T14:22:40Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z) - Data-Driven Symbol Detection via Model-Based Machine Learning [117.58188185409904]
機械学習(ML)とモデルベースアルゴリズムを組み合わせた,検出設計のシンボル化を目的とした,データ駆動型フレームワークについてレビューする。
このハイブリッドアプローチでは、よく知られたチャネルモデルに基づくアルゴリズムをMLベースのアルゴリズムで拡張し、チャネルモデル依存性を除去する。
提案手法は, 正確なチャネル入出力統計関係を知らなくても, モデルベースアルゴリズムのほぼ最適性能が得られることを示す。
論文 参考訳（メタデータ） (2020-02-14T06:58:27Z) - DeepSIC: Deep Soft Interference Cancellation for Multiuser MIMO
Detection [98.43451011898212]
複数のシンボルが同時に送信されるマルチユーザマルチインプットマルチアウトプット(MIMO)設定では、正確なシンボル検出が困難である。
本稿では,DeepSICと呼ぶ反復ソフト干渉キャンセリング(SIC)アルゴリズムの,データ駆動による実装を提案する。
DeepSICは、チャネルを線形にすることなく、限られたトレーニングサンプルから共同検出を行うことを学ぶ。
論文 参考訳（メタデータ） (2020-02-08T18:31:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。